推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

基于卷积神经网络的复杂构件 内部零件装配正确性识别

更新时间:2019-12-24 18:21:53 大小:2M 上传用户:守着阳光1985查看TA发布的资源 标签:卷积神经网络 下载积分:1分 评价赚积分 (如何评价?) 收藏 评论(0) 举报

资料介绍

X射线成像是解决复杂构件内部零件装配正确性识别的最有效方法,现有特征识别方法是以图像中的连通区域形状、长宽比、面积等特征为目标.虽然检测效果较好,但受机械精度、装配公差、零件错位等因素影响,识别鲁棒性较差.基于此,综合卷积神经网络目标分类识别技术与X射线多视角成像技术,首先设计了一个深度卷积神经网络模型,通过深度学习的方法提取特征、训练分类器,对工件内部零件进行分类,输出坐标框,完成工件零件漏装检测.进而针对所识别零件坐标信息;依据CT投影正弦特性,找到与当前检测工件投影角度相符的标准工件投影,完成零件换位、错位等识别.通过实验验证,此方法在自行建立的数据集上完成了对工件内部零件漏缺和换位的识别,鲁棒性较高.


部分文件列表

文件名 大小
基于卷积神经网络的复杂构件_内部零件装配正确性识别.pdf 2M

部分页面预览

(完整内容请下载后查看)
8
Vol. 46 No. 8  
Aug. 2018  
2018  
8
ACTA ELECTRONICA SINICA  
基于卷积网络的复杂件  
内部识别  
1
2
2
, ,  
耀霞 焱  
( 1.  
中北大学电工程学院 山西太  
030051; 2.  
中北大学信息与信工程学院 山西太原  
030051)  
:
X ,  
线是解决复杂内部识别有效方法 特征识别方法是以中的  
、 、 、 、 ,  
比 面等特征检测效果配公影响 识别  
X ,  
鲁棒基于综合卷积网络目分类识别技术与 线技术 首先卷积经  
, , ,  
网络通过的方法特征 训练分类工件内部进行分类 成工件检  
;  
测 进而识别信息 据  
CT  
, ,  
检测工件度相工件成  
, ,  
识别 通过实验验方法建立数据了对工件内部识别 鲁棒  
高  
关键词  
中图分类号  
URL: http: / /www. ejournal. org. cn  
:
;
;
; X  
;
识别 卷积网络 生成网络  
线角 角匹配  
0372-2112 ( 2018) 08-1983-06  
DOI: 10. 3969 /j. issn. 0372-2112. 2018. 08. 025  
:
TP391. 4  
:
A
:
文章编号  
文献标识码  
电子学报  
Identifying the Correctness of Fit of Internal Components  
Based on a Convolutional Neural Network  
1
2
2
ZHAO Yao-xia WU Tong HAN Yan  
( 1. School of Electrical and Control EngineeringThe North University of China. TaiyuanShanxi 030051China;  
2. School of Information and Communication EngineeringThe North University of China. TaiyuanShanxi 030051China)  
Abstract: X-ray imaging is the most effective way to solve the correctness of fit of the internal components. Although  
the previous detection methodwhich is based on extracting and matching characteristics such as the shape of the connected  
regions in sample imagesthe aspect ratio or the areaachieves a better detection result. But by mechanical precisionassem-  
bly tolerancesparts dislocation and other factorsit is less robust. To solve this problemby combining convolution neural  
network classification with CT technologythis dissertation first designed a deep Convolutional Neural Network model. Ex-  
tracted features and trained the classifier using deep learning methods to classify the internal parts of a workpieceoutputting  
the coordinate frame and performing missing part detection. Thenuses the coordinates of the detected partswe find standard  
workpiece views that conform to the current test-workpieces angle based on CT projection sinusoidal properties. Perform as-  
sembly error detectionsuch as transposition or dislocation of the test workpieces internal parts. Experiments show that our  
combined approach can identify missing and misaligned internal parts of a workpiece. The overall system is robust to factors  
such as overlapping among the internal parts of the workpiece.  
Key words: assembly identification; convolutional neural network; region proposal network; multiple angle x-ray; an-  
gle match  
, ,  
是手  
1
引言  
、  
配还结构复杂 不  
、 、  
电子整  
、 、  
似等影响 往往等问题  
: 2017-08-30;  
: 2017-12-01; :  
责任编辑 蓝红杰  
收稿日期  
修回日期  
:
基金国家自然科学基金  
( No. 61571404No. 61471325No. 61601412) ;  
( No. 2015021099)  
山西自然科学基金  
1984  
2018  
,  
影响整能及安全 造成计的  
,  
件的信息 线备  
.  
对其进行快速确识别但  
.  
可实信息按照影  
, ,  
机及直接  
以综合各信息件  
X  
通过人识别 线式实  
结构识别 具体识别过如下  
:
. X ( Digit-  
线像  
结构显示识别  
( 1)  
02 )  
工件 π 范围影  
1]  
al RadiographyDR) ,  
件的相互遮挡直接配  
分式视  
;
列  
( 2)  
;
中的特征建立数据库  
23]  
. X  
信息 线  
CT( Computer Tomography)  
通过采  
( 3)  
检测任一与  
不同像  
数据进行匹配及  
可识别件的结构 是该方法检  
;
特征断  
( 4)  
,  
本高 时 不线线检测  
遮挡问题 对检测转  
90  
续进  
X
CT  
结构主要是  
线  
;
特征匹配析  
, , 、  
据该原理 中北大学等  
( 5)  
( 4) ( 5) ,  
和 的识别结果 零  
综合程  
DR  
人 在  
, ,  
合多交叉识别 研发  
识别  
X
复杂内部结构线线动  
3
基于卷积神经网络的工件  
别  
4]  
检测统  
应用于重复  
结构的快速自动检测 是该方法主要基于图  
识别过程中计的特征匹配方法 于  
特征匹配 对检测高  
, ,  
件的配公差影响 鲁棒低  
,  
同时识别准确性差 解决问题 重点  
、 、  
置约不变 度不变特  
对此卷积网络的方法进行实现  
56]  
信息 前常特征方法  
特征单  
3. 1  
( CNN)  
卷积神经网络  
.  
复杂结构准识别 来  
规的卷积网络一特征取层和全连接  
7]  
11]  
基于的目识别技术复杂背景况下取  
, ,  
特征取层包括卷积间  
成  
8]  
比较结果 的  
R-CNN Fast-RC-  
,  
输入首先第一卷积层  
9]  
10]  
8]  
9]  
NN Faster-RCNN  
66. 0%  
68. 1%  
从最的  
在检测有了卷  
网络具有度不变位移不变  
进行卷积卷积不同的  
10]  
73. 2%  
卷积卷积核都进行不同特征取  
得到不同卷积结果 卷积结果通过激  
, ,  
解决方法鲁棒问题 对  
, ,  
得到输特征特  
、 、  
工件内部配公具有较  
:
可能合多输入特征值  
度  
卷积网络能定识别线中的目标  
l
l1  
l
l
x = f(  
j
x
c + b )  
ij  
( 1)  
j
j
i
M
j
l i j  
数 表特征的点 特征  
, ,  
识别问题 相互  
x (  
的编输入示图  
遮挡影响 需合  
CT  
理  
) c  
b M  
卷积置  
值  
j
, ,  
进行识别 因此 基于思想 计一卷积  
特征合 经卷积得到卷积结果  
, ,  
网络型 以工件数据训练模分别以  
进行训练参数对其添加  
-
分类结果内部件的  
, ,  
然后输入线中计得  
检测检测 进合  
CT  
完  
:
到下结果  
检测  
l
l
l - 1  
l
x = f( down ( x  
β
j
)
+ b )  
j
( 2)  
j
j
2
X
线程  
, ,  
多少输入特征就  
多少了  
X X X  
线线生的 射  
down( )  
在本文池  
线检测对检测对内部结构在  
.  
保留主要特征 特征射  
,  
异 使在检测对线  
b,  
X  
度各不相同 过检测对线分  
对应于自β 和一置  
作在对卷积同时低了拟  
X  
发生变化 对应检测对信息的 线成  
X
,  
线信息相互遮挡 无  
,  
风险 特征特征取层结果作为输入入  

全部评论(0)

暂无评论